Modelos de linguagem e chatbots na ABA: guia prático

O que são modelos de linguagem e chatbots?

Modelos de linguagem são redes neurais treinadas em grande volume de textos para prever palavras e gerar respostas coerentes. Integrados a interfaces conversacionais, eles funcionam como chatbots que simulam diálogo, geram materiais educativos e oferecem orientações.

Por que isso importa para ABA? Essas ferramentas podem:

• Simular role‑play: criar situações sociais e orientar respostas para prática repetida (ex.: estudo do chatbot Noora). Veja o estudo de Stanford.
• Gerar materiais personalizados: produzir Social Stories e roteiros adaptados a interesses da criança, seguindo estratégias de prompting e curadoria humana (veja o projeto SS‑GEN).
• Suportar cuidadores: oferecer checklists e orientações práticas em micro‑módulos, com risco de omissões que exigem revisão profissional (comparação de modelos em JMIR).

Mecanismos úteis para ABA

Esses sistemas fornecem prática intensiva com retorno imediato, material facilmente adaptável e possibilidade de monitorar adesão. Porém, têm limitações: falhas de factualidade ("alucinações"), opacidade nos critérios de geração e sensibilidade ao modo como o prompt é formulado. Trabalhos de engenharia apontam para necessidade de curadoria humana e critérios de qualidade claros (por exemplo, Echo‑Teddy).

O que a ciência mostra — evidências recentes

A literatura até 2025 é promissora, mas ainda inicial. Destaco estudos com dados concretos:

• Plataforma AI‑assistida (observacional, n=43): um estudo de 12 meses com a plataforma CognitiveBotics mostrou redução média no CARS de 33,41 para 28,34 (P<.001) e aumento médio da "idade social" em +56,84%, além de ganhos de linguagem receptiva/expressiva próximos a 56–60%. O efeito foi associado ao uso consistente da plataforma. Leia o estudo na JMIR Neurotechnology.
• LLMs para treinamento de cuidadores (JMIR): comparação entre GPT‑3.5, GPT‑4o e Copilot em 10 cenários mostrou que GPT‑4o apresentou melhor especificidade, mas modelos omitiram detalhes relevantes em 60–80% dos cenários, indicando necessidade de revisão humana e templates validados. Ver reportagem científica.
• Noora — RCT pequeno: ensaio randomizado com 30 participantes mostrou que o chatbot aumentou em 71% as respostas empáticas em tarefas treinadas e houve generalização média de 38% para interação humana em videoconferência. Resultado promissor, porém com amostra reduzida. Resumo do estudo de Stanford.
• Avaliação de tarefas de teoria da mente: estudo experimental mostrou que o GPT‑4o avaliou respostas em tarefas de Theory of Mind com concordância equivalente a avaliadores humanos treinados, mas recomenda uso com supervisão por limitações de explicabilidade. Veja na Scientific Reports.

Em resumo: existem ganhos mensuráveis em treino social e geração de materiais, especialmente quando a tecnologia é usada como adjuvante com supervisão. Ao mesmo tempo, a frequência de omissões e a variabilidade entre modelos mostram que não se trata de uma solução plug‑and‑play.

Dados para o Brasil

O Censo 2022 do IBGE estimou 2,4 milhões de brasileiros com TEA (1,2% da população), o que ressalta a demanda por soluções escaláveis, mas também a responsabilidade em garantir segurança, privacidade e eficácia local.